自定义 tf-idf 计算,避免词组拆分
在使用 tfidfvectorizer 计算 tf-idf 值时,当文本数据包含词组时,可能会遇到自动分词的问题,导致输出特征包含分拆后的单词。为了解决这一问题,以下提供两种方法:
1. 调整 tfidfvectorizer 参数
如果文本数据中的词组由下划线或其他字符连接,可以设置 tfidfvectorizer 的 analyzer 参数为 “word”,以禁用分词功能。
from sklearn.feature_extraction.text import tfidfvectorizer docs = ["this_is_book", "this_is_apple"] vectorizer = tfidfvectorizer(analyzer="word", stop_words="english") tfidf = vectorizer.fit_transform(docs) print(vectorizer.get_feature_names_out())
登录后复制
输出:
['this_is_apple', 'this_is_book']
登录后复制
2. 自定义 tf-idf 计算
如果你不想使用 tfidfvectorizer,也可以自行编写 tf-idf 计算程序。以下是一个示例实现:
import math def tfidf_custom(docs, vocab): """ 自定义 TF-IDF 计算 参数: docs: 文档集合 vocab: 词汇表 """ # 计算词频 tf_dict = {} for doc in docs: for word in doc: if word in tf_dict.keys(): tf_dict[word] += 1 else: tf_dict[word] = 1 # 计算文档频率 df_dict = {} for word in vocab: for doc in docs: if word in doc: if word in df_dict.keys(): df_dict[word] += 1 else: df_dict[word] = 1 # 计算 TF-IDF 值 tfidf_dict = {} for word in vocab: tfidf_dict[word] = (tf_dict[word] / sum(tf_dict.values())) * math.log(len(docs) / df_dict[word]) return tfidf_dict # 文档集合和词汇表 docs = ["This_is_book", "This_is_apple"] vocab = ["This_is_apple", "This_is_book"] tfidf_custom(docs, vocab)
登录后复制